研究人员推出了一种新颖的循环对比学习（Recurrent Contrastive Learning, RCL）方法，旨在改进不平衡医学图像分类。RCL通过在整个训练过程中重用历史特征状态来扩展代表性不足类别的特征表示。该方法使用DINOv3和LoRA适配器作为其骨干，并结合了时间记忆队列（Temporal Memory Queue, TMQ）来维护语料库级别的特征。该TMQ用于创建时间锚点（Temporal Anchors, TARs），在尾部类别周围形成一个支持场，从而增强它们的表示并改善与头部类别的分离。 AI
影响 这项研究通过改进对罕见病的处理，有望在医学成像领域实现更准确的诊断。
排序理由 该集群包含一篇详细介绍医学图像分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
